从算法到自主：AI如何重写软件与移动出行架构

2026年7月19日

人工智能不仅仅是开发者工具箱中的新工具，它正在重写人与机器之间的基本契约。本文通过追溯AI的发展历程，揭示了从软件1.0到3.0的范式转变，并展望了物理AI的未来。

在软件1.0时代，工程师通过汇编、C++、Python等语言编写明确的规则和逻辑，告诉机器如何处理所有可能的“如果-那么”情况。这种方式对于简单问题可靠且可预测，但受限于人类的表达能力。随着问题复杂性的增加，如高级驾驶辅助系统（ADAS）和自动驾驶需要超过99%的准确率，手工编码的逻辑不再有效。于是进入了软件2.0时代，开发者不再直接编写逻辑，而是通过标注数据和设计损失函数，让神经网络自行学习。这一转变催生了深度学习领域的“寒武纪大爆发”，以AlexNet在ImageNet挑战中的突破为标志。

如今我们处于软件3.0时代，界面变成了自然语言，逻辑的来源是涌现理解——模型并非针对特定任务训练，而是跨领域泛化。开发者的角色变为架构意图和提供精确上下文。然而，这种生成式方法（即LLM）存在幻觉等缺点。

LLM被视为一种通用技术，如同电力、互联网和GPS一样，具有广泛的适用性、可扩展性，并能催生全新产业。历史表明，每一次平台迁移都像S曲线——旧层被新层取代。微软赢得了PC时代，谷歌赢得了网络时代，苹果、三星、谷歌赢得了智能手机时代，如今在生成式AI时代，Meta、Anthropic、NVIDIA、谷歌、OpenAI等公司估值飙升。随着LLM成为基础设施，差异化价值将转移到应用和体验层，包括专有数据和领域专业知识。

通用技术带来的不仅是微小变化，而是社会转型。电力不仅取代了油灯，还重塑了社会结构；铁路使地理变得弹性。LLM同样具有三大特征：涌现推理（解决未明确训练过的问题）、上下文学习（在推理时适应新任务）、规模化泛化（算力和数据越多，能力越强）。有趣的是，LLM颠覆了技术扩散的传统方向：过去新技术先被政府和大型企业采用，再普及到消费者；但LLM从诞生起就通过ChatGPT等工具直接面向数十亿普通用户。

尽管LLM在文本推理上表现出色，但它们通过文本描述而非直接体验来理解世界。正如李飞飞所言：“当前的LLM掌握了抽象知识，但仍然是黑暗中的文字工匠。”这种局限性在AI进入物理世界时成为关键瓶颈。下一步需要空间智能——感知三维环境、推理几何与深度、为空间中的物体赋予语义并采取行动。在生物进化中，眼睛的出现催化了寒武纪大爆发；空间智能可能成为AI的类似转折点。这与莫拉维克悖论一致：人类觉得容易的任务（如走路、接球）对机器来说计算量巨大，而人类觉得困难的任务（如下棋、推理）机器反而轻松。

物理AI通过“感知-规划-行动”循环实现：传感器感知环境，计算单元规划路径和动作，执行机构响应决策。人形机器人和自动驾驶汽车是典型代表。未来，工程师和领导者若能内化软件3.0范式，在保障安全的前提下部署AI，并搭建语言智能与空间智能之间的桥梁，将成为下一轮转型的缔造者。

（注：本文的故事线索、见解和行文结构由作者原创，但在撰写过程中使用了AI工具进行润色和优化。）